导读:本文包含了物体跟踪论文开题报告文献综述及选题提纲参考文献，主要关键词:语义SLAM,实例分割,叁维语义地图构建,目标匹配
物体跟踪论文文献综述
迟金鑫[1]（2019）在《基于帧间物体跟踪的机器人语义SLAM研究》一文中研究指出移动机器人在未知复杂环境中自定位的同时对周围环境进行语义感知是目前机器人领域研究的前沿方向,语义SLAM作为该方向的通用解决方案,通过将同步定位与地图构建(simultaneous localization and mapping,SLAM)算法和场景语义提取技术有效融合,使得机器人可以同时从几何和语义两个方面描述周围环境,为实现机器人自主移动和行为决策等高级任务提供了前提条件。然而目前大部分针对语义SLAM的研究要么是利用语义分割来划分物体类别,忽略了物体的个体,要么需要已知的物体对象模型进行目标匹配,存在着对先验知识过分依赖的局限性。近年来,基于目标检测的语义SLAM因其能够区分同一类别的不同物体个体而得到了学者的广泛关注,在这些语义SLAM方案中,有些通过对地图进行点云分割来提取物体实例,忽略了对帧间物体的跟踪,而点云分割存在着效果差效率低的局限性;有些则是将图像序列中的每个目标直接与数据库中所有样本进行匹配来进行物体的跟踪,这种方式导致匹配搜索范围过大,随着数据库中对象数量增加,目标匹配的时间成本升高,无法实现对物体的长期跟踪。针对上述问题,本文提出一种语义SLAM的新思路,首先,为实现能够进行实例级物体语义信息感知的SLAM系统,本文将视觉SLAM和实例分割算法进行有效融合,通过实例分割获取每个关键帧中的目标,然后基于在线环境实例数据库对帧间物体进行跟踪和数据关联,进而利用数据关联关系对关键帧图像进行实例级的语义标注,最后结合关键帧几何信息进行语义融合并构建叁维语义地图。其次,针对语义SLAM帧间物体长期跟踪时面临的搜索范围过大问题,本文提出一种基于关键帧共视关系的帧间物体匹配跟踪方法。对于每个关键帧中检测到的目标实例集合,根据关键帧间的共视关系提取环境实例数据库中相应的候选实例集合来与目标实例集合进行匹配,这样既考虑了语义SLAM过程中的历史数据,又可缩小匹配搜索的范围,提高物体跟踪的时间效率。再次,针对动态物体对语义SLAM定位精度的影响,本文基于帧间实例的关联关系等语义信息对SLAM过程中的动态物体进行检测,并根据检测结果剔除相应的动态特征点,提高特征点匹配的几何一致性。同时本文将帧间物体跟踪结果融入到SLAM位姿优化中,通过融合实例匹配和特征点匹配来优化位姿估计,解决在纹理平滑场景下特征点较为稀疏导致的位姿估计误差较大的问题,提高语义SLAM的位姿估计的精度和鲁棒性。最后,为了验证实例级语义SLAM系统的有效性,本文分别在实际场景和数据集上对语义SLAM系统的定位、帧间物体跟踪和语义建图等相关功能进行实验与验证,并在数据集上对基于语义信息的SLAM位姿优化方法进行对比实验与评估。实验结果表明本文语义SLAM系统能够完成在未知复杂环境中自定位同时构建环境实例级的叁维语义地图,验证了本文语义SLAM系统的可行性和准确性。(本文来源于《山东大学》期刊2019-05-17）
熊纹洋,杨斌[2]（2019）在《DCFNet算法的物体长时跟踪解决方案》一文中研究指出提出了一种基于DCFNet算法的长时跟踪解决方案。首先添加了模版更新策略,可以避免在物体发生遮挡时不必要的模版更新;其次添加了全局搜索策略,当跟踪算法在局部丢失目标物后,全局搜索策略会起作用,进行快速全局搜索,找到目标重新开始跟踪。全局搜索策略采用级联分类器的思想,保证了该策略的执行速度。虽然与DCFNet相比,本文提出的方法在平均速度上略有下降,但是在性能上有所提升,并且在DCFNet跟踪失败时,能够再次检测到目标物的位置持续跟踪下去。(本文来源于《单片机与嵌入式系统应用》期刊2019年05期）
赵偲含[3]（2019）在《基于CNN的平面物体跟踪算法的研究与实现》一文中研究指出视觉目标跟踪是计算机视觉领域的一个尤为关键的分支,作为视觉目标跟踪研究范畴之一的平面物体跟踪既是计算机视觉学术研究的热点领域,又在增强现实、监视、机器人视觉等方向上具有颇为广泛的应用。近几十年以来,已出现较多算法用于解决平面物体跟踪问题。目前大多数算法都属于传统的平面物体跟踪算法,传统的平面物体跟踪可以归结为非线性优化问题,算法的核心目标在于最小化目标函数,由于该问题本身属于非凸性问题,因此求解过程中容易获得局部极值解从而导致跟踪效果不理想。由于现阶段基于深度学习网络的图像处理任务备受关注,且鉴于目前将深度学习与平面物体跟踪相结合的相关研究很少,本文提出将深度学习网络应用到平面物体跟踪任务中,探索用于解决平面物体跟踪问题更为精准且高效的算法。本文主要的研究工作见下述内容:(1)问题的调研与分析。本文首先对于已有的平面物体跟踪算法进行大量调研,并对现有的算法存在的局部极值问题进行剖析。(2)提出了基于卷积神经网络的平面物体跟踪算法。提出的算法采用卷积神经网络架构实现端到端的跟踪训练过程,整体结构模拟传统的平面物体跟踪过程中特征提取、匹配以及变换参数的评估叁个步骤。该算法较传统的算法更能捕捉到图像特征之间的关联性,进而提升跟踪性能。(3)对于提出的算法进行验证。本文在Linux系统下,基于Python语言及结合Pytorch深度学习框架实现了基于卷积神经网络的平面物体跟踪算法,并利用具有挑战性的TMT及UCSB标准数据集对提出的算法进行有效地验证。实验结果充分体现了基于卷积神经网络的平面物体跟踪算法的有效性,同时,通过评价指标跟踪准确率说明了本文提出的平面物体跟踪算法具备较好的跟踪性能。(本文来源于《北京交通大学》期刊2019-05-01）
张奇[4]（2019）在《基于毫米波雷达传感器的物体检测与跟踪算法研究》一文中研究指出随着无线电技术的快速发展,毫米波雷达逐渐成为智能交通系统中的一个重要研究领域。毫米波雷达传感器以其抗干扰能力强、精度高和远距离测量的优势,在智能交通系统中发挥着重要作用。基于毫米波雷达传感器的移动目标检测和跟踪算法是智能交通监控领域最重要的技术之一,是实现实时智能交通监控的关键。本文以智能交通监控系统为应用背景,研究目标检测与跟踪算法。研究内容包括以下叁个方面:1.首先介绍雷达系统基本工作原理,包括雷达方程、雷达基本组成及工作频率。然后重点阐述毫米波雷达信号检测方法中的多普勒定理、调频连续(FMCW)毫米波雷达及毫米波雷达测速测距技术。最后介绍了运动目标检测与跟踪的基本原理,为后面章节算法研究与仿真提供理论依据。2.研究毫米波雷达目标检测中的恒虚警检测算法。针对目前常用毫米波雷达恒虚警检测算法在多目标环境、均匀或者背景杂波环境中的虚警、漏警及多目标干扰问题,对SVI-CFAR检测算法进行改进。通过蒙特卡罗实验,将改进的NSVI-CFAR算法与SVI-CFAR等多种检测方法进行对比,并采用Matlab软件进行仿真验证。结果表明,改进的NSVI-CFAR方法在均匀环境和背景杂波环境下保持较好的检测概率和虚警概率,并且能提高多目标干扰环境下的检测性能。3.研究毫米波雷达目标跟踪中的卡尔曼滤波算法。介绍目标检测与目标跟踪之间的数据关联原理。针对目标跟踪过程中目标干扰、精确度及不确定性问题,在线性系统模型下采用卡尔曼滤波算法,在非线性系统模型下,采用迭代扩展卡尔曼滤波算法。通过Matlab仿真,分析卡尔曼滤波算法在目标跟踪中的性能。结果表明,卡尔曼滤波跟踪算法对线性运动状态具有较小误差,迭代扩展卡尔曼滤波算法对非线性运动状态也表现出较小误差。(本文来源于《湖南师范大学》期刊2019-05-01）
武琳[5]（2019）在《基于特征融合与选择的物体视觉跟踪》一文中研究指出目标跟踪技术是计算机视觉领域的重要研究方向之一,它在智能监控、人机交互、军用导航制导领域等方面均有非常广泛的应用。近年来,关于目标跟踪技术的研究层出不穷,其中,相关滤波算法因其兼顾跟踪精度的同时具备较高的速度,得到了研究人员的广泛关注。而如何深度挖掘特征使得基于相关滤波的目标跟踪算法能够适应各种场景的要求是目前研究的重点。目标跟踪分为单目标跟踪和多目标的跟踪,本文在基于相关滤波的基础上,分别针对单目标和多目标跟踪过程中的特征提取模块进行改进:(1)在单目标特征提取阶段,针对现有相关滤波算法在特征表达上的不足,在核化相关滤波器的基础上,提出一种HOG和颜色特征融合算法。首先对特征进行适应性分析,其次提出融合策略,最后在标准视频集上进行实验验证。(2)在多目标特征提取阶段,针对现有的特征融合在多目标跟踪过程中可能带来的观测误差,提出一种基于分层数据关联的场景自适应特征选择算法。特征不再只是简单的融合,而是分布在特征空间的每一层,通过每一层的关联反馈来逐步融合特征,直至所有的目标都被区分开,实验通过MOTA和FPS两个指标分别对场景自适应特征选择和分层数据关联方案进行评估,验证其优越性。(3)论文在上述特征改进的基础上,引入尺度估计相关滤波器,使得特征融合和特征自适应选择算法不仅能准确预测目标位置,而且还可以实现尺度自适应。本文通过标准跟踪视频集和客观跟踪性能评估方法对以上改进算法进行测试与分析。实验表明,论文中提出的改进算法具有跟踪速度快,跟踪精度高和鲁棒性好等特点。(本文来源于《长安大学》期刊2019-04-08）
王冰[6]（2019）在《动态物体跟踪算法描述与实现》一文中研究指出运动物体跟踪算法分为光流法,帧差发,背景差法,以上算法都是基于OpenCV的运动物体跟踪算法,此论文首先论述了opencv系统开发环境,详细的论述了基于OpenCV实现的运动物体跟踪算法的数据结构,帧差发和背景差发中的腐蚀与膨胀算法,以及光流法中使用horn&Schunck的CalcOpticalFlowHsde函数,详尽的对比了光流法,帧差发,背景差法的优缺点,对运动物体跟踪算法进项了理论分析。(本文来源于《电子测试》期刊2019年06期）
褚冠宜[7]（2019）在《面向移动增强现实的多平面物体检测与跟踪》一文中研究指出在增强现实领域,为达到虚拟物体与现实世界交互的效果,需要能感知现实世界中物体的状态。因此,平面物体的检测与追踪是增强现实系统中的一个重要组成部分,以这两项技术为基础的基于平面物体的增强现实,有着广泛的应用场景。平面物体的检测与跟踪在得到平面物体边界框的基础上,还需要恢复物体的6自由度位姿。目前在大视角、远距离、复杂背景等情况下的平面物体检测与跟踪仍然是一个亟待解决的问题。为此,本文深入了研究平面物体的检测与跟踪问题,并提出了一套算法,可以快速检测出上述困难场景中的多个预定义平面物体,并在移动端以约100FPS的速度对平面物体的姿态进行跟踪,在速度上达到了先进水平。本文的主要贡献如下:1)提出了一种自顶向下的平面物体检测算法。通过区域提议算法初步判断平面物体可能存在的区域,得到物体的大致位置与尺度信息,从而降低了平面物体的检索与对齐的难度。可以有效的处理复杂背景和远距离下的多个平面物体的检测问题。除此之外还加入了对于检测结果的验证算法,防止返回错误的检测结果。2)在以往算法基础上提出了一种基于关键帧的平面物体跟踪框架。使用直接法进行相邻帧间的跟踪,使用平面假设建立局部地图,使用重投影误差对系统状态进行优化,使用局部重定位功能应对跟踪失败的情况。在运行速度、图像连续性与准确性中进行了平衡,并能较好的处理运动模糊问题。3)提出了多个平面物体的追踪方法。在追踪多个平面物体时,判断物体间的相对运动情况,对于相对静止的平面物体,简单的进行叁维注册,对于相对运动的物体单独进行跟踪。(本文来源于《浙江大学》期刊2019-03-10）
邹倩,夏玮玮,张静,黄博南,燕锋[8]（2018）在《基于VLC与IMU融合的移动物体跟踪室内定位系统（英文）》一文中研究指出利用可见光通信(VLC)和惯性测量单元(IMU),设计了室内定位系统(IPS),实现对移动物体的定位和跟踪.该IPS平台包括发光二极管发射器、接收器和定位服务器3部分.为了减少由测量引起的误差,提出了惯性传感数据校准模型和可见光通信RSS数据归一化校准模型对数据进行校准.然后,通过建立的实际传播模型,从RSS数据中计算发射器和接收器之间的距离.此外,提出了一种混合定位算法,使用自适应卡尔曼滤波器和加权最小二乘叁边测量来估计移动物体的位置.实验结果表明,采用所提混合定位算法的IPS能够扩展VLC的定位区域,减轻IMU漂移,提高移动物体的定位精度.(本文来源于《Journal of Southeast University(English Edition)》期刊2018年04期）
姚洪猛[9]（2018）在《运动物体检测与跟踪的设计与实现》一文中研究指出运动目标检测与跟踪作为计算机视觉中的一个分支,近年来受到大家广泛的关注。随着外界环境越来越复杂,导致对运动目标的检测与跟踪变的更加困难。本文从静态场景和动态场景两方面,分别对传统的目标检测与跟踪方法进行了优化。在静态场景中,传统的CamShift检测算法对目标颜色具有强的依赖性。为了使传统的CamShfit检测算法能够更好的适应环境变化,本文提出了一种自适应融合多特征的目标检测方法,来弥补传统的CamShfit检测算法的不足。在该方法中,首先利用混合高斯背景建模与帧差法相结合将目标前景提取出来,同时利用LBP算子对目标的纹理特征信息进行提取、Canny算子对目标的边缘特征信息进行提取、HSV直方图对目标的颜色特征信息进行提取。然后利用直方图的反射投影对提取的特征信息进行概率分布描述,并采用自适应融合算法对概率分布图进行权值比例分配,从而计算出融合后的概率分布图。最后把最终概率分布图与目标前景进行逻辑运算将目标检测出来。针对传统的CamShift算法跟踪窗口偏小问题(目标超出跟踪窗口),本文将线性预测算法与传统的CamShift跟踪算法相结合,通过对跟踪窗口的线性预测来实时调整跟踪窗口,实现对传统的CamShift跟踪窗口的实时更新。通过验证,以上方法可以解决传统的CamShift检测算法对目标颜色依赖性强的问题,并且不会出现目标超出跟踪窗口的现象,从而实现对运动目标进行检测与跟踪。在动态场景中,动态的背景会对运动目标的检测产生很大干扰。为了降低背景对目标检测时造成的干扰,本文提出了一种基于自适应感性区域的SURF特征提取及FLANN最优匹配的目标检测方法。在该方法中,首先对目标的运动情况进行分析,确定目标的运动方向以及它的运动范围,从而设置目标的感性区域。然后利用SURF特征提取及FLANN最优匹配算法,完成对目标特征点的提取与匹配从而确定目标。最后将已知目标从视频帧图像中提取出来。针对运动目标被遮挡时跟踪窗口出现偏移的问题,本文将卡尔曼算法与传统的CamShift跟踪算法相结合来实现对目标跟踪。通过验证,以上方法能够降低背景对目标检测造成的干扰,并且能有效解决目标被遮挡时出现跟踪窗口偏移的现象。本文基于VS2012软件平台,利用开源的OpenCV2.4.13库完成对运动目标检测与跟踪的设计与实现。同时,为了方便代码的使用,对一些方法进行封装处理,并且利用可视化框架(MFC)的形式进行演示。(本文来源于《河北科技大学》期刊2018-12-01）
蒋大为[10]（2018）在《基于AR系统实现叁维物体目标跟踪》一文中研究指出增强现实(AR)是用户与现实世界环境进行交互的一种体验方式,是近年来新兴的热门研究领域。目前使用AR最多的是在移动设备上,但由于移动设备本身硬件的短板,现今的AR应用没有太过复杂的使用方式,大部分都是基于图像识别跟踪然后在其上渲染显示预先设定好的内容。本文主要基于现有的AR系统,以图像识别跟踪技术为基础,在移动设备上对真实叁维物体进行跟踪识别并渲染其对应的虚拟叁维模型,用户可以进行实时交互,拓展了AR在移动设备上的应用领域。(本文来源于《科技创新导报》期刊2018年31期）
物体跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出了一种基于DCFNet算法的长时跟踪解决方案。首先添加了模版更新策略,可以避免在物体发生遮挡时不必要的模版更新;其次添加了全局搜索策略,当跟踪算法在局部丢失目标物后,全局搜索策略会起作用,进行快速全局搜索,找到目标重新开始跟踪。全局搜索策略采用级联分类器的思想,保证了该策略的执行速度。虽然与DCFNet相比,本文提出的方法在平均速度上略有下降,但是在性能上有所提升,并且在DCFNet跟踪失败时,能够再次检测到目标物的位置持续跟踪下去。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
物体跟踪论文参考文献
[1].迟金鑫.基于帧间物体跟踪的机器人语义SLAM研究[D].山东大学.2019
[2].熊纹洋,杨斌.DCFNet算法的物体长时跟踪解决方案[J].单片机与嵌入式系统应用.2019
[3].赵偲含.基于CNN的平面物体跟踪算法的研究与实现[D].北京交通大学.2019
[4].张奇.基于毫米波雷达传感器的物体检测与跟踪算法研究[D].湖南师范大学.2019
[5].武琳.基于特征融合与选择的物体视觉跟踪[D].长安大学.2019
[6].王冰.动态物体跟踪算法描述与实现[J].电子测试.2019
[7].褚冠宜.面向移动增强现实的多平面物体检测与跟踪[D].浙江大学.2019
[8].邹倩,夏玮玮,张静,黄博南,燕锋.基于VLC与IMU融合的移动物体跟踪室内定位系统（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2018
[9].姚洪猛.运动物体检测与跟踪的设计与实现[D].河北科技大学.2018
[10].蒋大为.基于AR系统实现叁维物体目标跟踪[J].科技创新导报.2018